云计算环境下基于遗传算法的任务调度技术研究

遗传算法是一种通过模拟自然进化过程搜索最优解的方法。目前,将遗传算法作为云计算环境下的任务调度算法已逐渐成为研究热点。云计算作为一种全新的分布式计算模式,通过网络将大量分散资源按用户所需进行分配,其实施资源分配、任务调度的技术将直接决定“云计算”性能的高低。探讨当前云计算中基于遗传算法的任务调度技术研究现状及有待解决的问题,为进一步研究指出方向。     

基于改进蚁群算法的QoS约束云任务调度

在研究现有云环境下独立任务和工作流任务调度模型的基础上,提出一种满足QoS约束的部分相关任务调度模型,并改进蚁群算法为每个子群选择信息素更新方法,通过小范围局部优化从而获得整体最优解。CloudSim仿真结果表明,该调度模型具有较高的收敛性和寻优能力,适用于云环境下任务调度。     

基于改进蚁群遗传算法的排课问题研究

提出了一种以蚁群算法为主,利用遗传算法经过交叉,变异,选择后产生进化的信息素作为蚁群使用的信息素.在遗传算法多次进化效果不明显时,引入模拟退火算法进行跳变的混合算法,使各种算法取长补短,改善了蚁群算法初始阶段运行缓慢和遗传算法局部搜索能力弱的缺点.提高了运行效率,同时运用这种改进的算法对高校排课问题进行仿真,从而比较算法改进的优缺点.     

基于遗传算法的云计算任务分配

任务调度的高效性是云计算中要解决的重要问题.已有的适用于分配任务的遗传算法易陷入局部最优这一缺陷,本文对遗传算法进行改进,用于保证云服务的质量.该算法引入双精英策略思想,从而减少产生局部最优解的可能,最后通过仿真实现.结果表明,该方法是一种有效的任务调度算法,减少了处理请求任务的平均完成时间.     

遗传算法在云计算任务调度算法中的应用研究

介绍云计算技术,分析了云计算环境下任务调度情况,给出了云计算任务调度中基于用户满意度的遗传算法详细设计,该详细设计中重点叙述了编码、适应度函数设计、交叉等遗传算法实现的主要过程.     

基于混合算法的汽车零部件物流配送路径优化

针对汽车零部件供应物流,建立循环取货配送路径优化模型,将遗传算法与Max-Min蚁群算法融合,采用遗传算法生成初始信息素分布,利用Max-Min蚁群算法求精确解,并通过实例验证。结果表明,混合算法对于解决供应商数量多、带时间窗限制与碳排放限制的配送路径优化问题,可有效降低车辆取货频次和提高车辆装载率。     

基于分簇能耗聚集的云计算多目标任务调度算法

在云计算环境下的多分簇目标的任务调度是提高软件嵌入式系统稳定性的关键,由于云计算中能耗扩散,在多处理器集群多目标任务调度中出现任务调度优先级列表混乱,调度性能不好的问题.传统方法采用节点行为信息流特征分析方法进行任务调度,随着分簇能耗扩散,收敛性不好.提出一种基于分簇能耗聚集的云计算多目标任务调度算法.待分析任务调度信息流的分层能耗聚集轨迹峰值往往含有重要的信息,提取待分析任务调度信息的能耗特征,构建云计算多目标任务调度模型,实现对云计算多目标任务调度算法的改进.仿真结果表明:采用该算法能有效提高云计算多目标任务调度效率,任务执行时间较短,系统稳定性高.     

基于蚁群系统的网格资源分配与任务调度

为了解决基于启发式算法的资源分配和任务调度过程中由于没有考虑任务间的相互依赖关系而出现的任务死锁问题,提出了一种基于蚁群系统的改进算法.首先阐述了如何将分配调度问题映射到任务资源分配图的优化选择问题上和如何将信号量机制引入到最优任务资源分配图中来解决死锁问题.其次说明了基于蚁群系统如何利用网格信息素系统模型实现该算法,涉及任务资源分配图的构造,以及通过蚁群的正反馈和分布式并行计算机制优化任务资源分配图.最后模拟试验结果说明所提出的算法可以有效地解决网格中任务死锁问题.     

个性化身份验证

蚁群算法是一种启发武优化算法,在求解旅行商问题等多种组合优化问题上有着优越性.但基本蚁群算法收敛速度慢,易于陷入局部最优解,导致停滞现象出现.针对算法的这些缺点,提出给各条边赋予不同的信息素初始量以加强算法初期信息素的作用,缩小算法的搜索范围;并在进行全局信息素更新时,对到目前为止的最优解、最差解和普通解采用不同的更新策略.实验结果表明,改进的蚁群算法在实验环境下,解决旅行商问题时的性能较基本蚁群算法有较好的表现.     

基于改进蚁群算法的 AGV 路径规划研究

近年来,自动导引机器人（AGV）一直是研究的热点问题,其中复杂路径规划为研究重点。为了更好地规划机器人路径,提出一种改进蚁群算法,该算法在传统蚁群算法基础上充分利用了 MMAS 算法的特点。首 先,构建网格环境模型,引入算法概率函数和抑制因子,通过改变算法的启发式信息,加快算法收敛速度|其次,引入回退机制解决死锁问题,再将 MMAS 蚂蚁系统转化为局部扩散信息素,只有迭代试验的最优解才能加入到信息素更新中|最后,有效限制信息素浓度,避免发生搜索路径过早收敛现象。仿真实验结果表明,改进蚁群算法与传统蚁群算法相比,迭代次数减少 45.6%,时间缩短 46.2%,改进蚁群算法收敛速度更快、效率更高。     

基于目标函数梯度的模拟退火蚁群算法

根据蚁群算法和模拟退火算法的特点,提出了一种基于目标函数梯度的模拟退火蚁群混合算法。该算法充分考虑了目标函数的梯度,当目标函数的梯度过小时,加强当前最优解对应的信息素,使算法快速收敛;当目标函数的梯度过大时,引入回火策略以提高解的质量。将基于目标函数梯度的模拟退火蚁群混合算法用于旅行商问题,结果表明,与常规模拟退火蚁群算法相比,改进算法的收敛速度和解的质量均有一定程度的改善。     

云计算中虚拟机放置多目标优化

提高云计算系统资源利用率一直是云计算研究的重点内容之一。基于此,将传统的多目标蚁群算法进行改进,并结合排除法解决虚拟机放置的多目标优化的问题,该算法可以通过信息素的不断更新,最终收敛得到最优解。主要考虑了服务级合约违背率（S）、资源损耗（W）、电源消耗（P）3个因素。实验结果表明,与传统的启发式方法和遗传算法相比,该算法有利于并行计算,能够在多个相互冲突的目标间实现最优权衡和折衷,在服务级合约违背率较少的情况下,系统资源浪费和电源消耗最少,具有可行性。     

云环境下基于蚁群算法的动态容错技术研究

云计算环境下信息处理会产生海量而又至关重要的中间数据,服务器如果失效会导致中间数据丢失。可靠性保障能力不足不仅是云计算应用推广的主要障碍,而且还促使云计算环境下的容错技术研究成为一个亟待解决的问题。针对目前云计算环境下容错效率低、计算资源浪费等问题,提出基于蚁群算法的动态容错技术,利用任务重新提交、检查点技术和资源执行历史记录等方法,减少任务执行和处理时间,提高云计算成功率。实验结果表明,该技术改进了任务重新提交、检查点和扩展信息素更新公式,在任务分配和重新提交过程中,明显缩短了任务平均执行时间,提高了执行成功率。     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

蚁群算法在作业调度中应用研究

合理配置车间作业调度中的各种资源可提高生产设备利用率与生产效率,降低生产成本。本文提出了一种求解混流装配线作业调度的蚁群算法,从信息素更新、状态转移概率论证该算法。通过计算目标函数与目标追随法、遗传算法、模拟退火算法比较,结果证明该算法对作业调度能够起到优化作用。     

基于改进型蚁群算法的图像分割系统研究

提出了一种基于改进蚁群算法的图像分割算法,该算法利用蚁群算法在约束区域内搜索最佳路径.通过构造代价函数、解空间、信息素模型和启发式信息,将图像边缘检测问题(即图像分割问题)转化为蚁群搜索问题.实验结果表明,与现有方法相比,改进后的蚁群算法在3种图像分割指标以及与手工标注对比方面具有较好的性能.     

混沌扰动w_BAPSO算法在任务调度中的应用

为提高云计算任务调度效率,减少任务调度的成本和时间,改进算法容易陷入局部最优的缺陷,提出基于混沌扰动的w_BAPSO算法.在云计算环境下,通过引入带有logistics混沌扰动的线性递减惯性权重,在PSO算法更新过程中结合蝙蝠算法脉冲速率、脉冲响度等参数,将带有混沌扰动的w_BAPSO算法用于云计算任务调度过程中.通过...     

云计算环境下改进蚁群算法对资源搜索的应用研究

云计算是一种新兴的资源使用和计算交互模型,对于用户提出的服务需求,要对大量的计算资源进行搜索,以寻找最优资源。如何高效搜索计算资源成为云计算模型中所要解决的问题。针对蚁群算法的缺陷,改进了信息素更新策略,改进了状态转移概率,引入了拥挤度的概念,改善了算法的全局寻优能力。     

一种求解简单网络路由问题的混合蚁群算法

蚁群算法是一种新型的模拟进化算法,为求解复杂的组合优化问题提供了一种新的思路。该文提出了一种求解网络路由问题的混合蚁群算法,该算法根据概率取值的不同选取三种不同的状态转移规则,通过仿真实验,获得了较好的效果,并与禁忌搜索算法进行了对比,结果表明,混合蚁群算法比禁忌搜索算法运行的时间更短,具有更好的求解性能。     

一种自适应蚁群算法及其应用

蚁群算法是一种具有许多优良特性的新型算法,该算法具有较强的发现较好解的能力,但同时也存在容易出现停滞现象,收敛速度慢等缺点。在介绍基本蚁群算法的基础上,针对蚁群算法的不足,提出了一种自适应蚁群算法。该算法对蚁群算法中的信息素在更新过程中进行自适应调整。实验结果表明,该算法比传统的蚁群算法具有更好的搜索全局最优解的能力,并具有更好的收敛性。